최근 들어 그래프 컨볼루션 네트워크(GCNs)는 그래프 매칭 작업에서 큰 잠재력을 보여주고 있다. 이는 그래프 노드 특징 임베딩, 노드 단위 유사도 학습, 그리고 매칭 최적화를 통합된 엔드투엔드 모델 내에서 함께 처리할 수 있다는 점에서 장점이 있다. 그래프 매칭의 중요한 측면 중 하나는 두 개의 매칭 그래프를 구성하는 것이다. 그러나 기존의 그래프 컨볼루션 매칭 네트워크에 입력되는 매칭 그래프는 일반적으로 고정되어 있으며, 그래프 매칭 작업과는 무관하게 구성되기 때문에, 매칭 작업에 최적화된 그래프라고 보장할 수 없다. 또한 기존의 GCN 기반 매칭 방법은 그래프 노드 임베딩을 생성하기 위해 일반적인 스무딩 기반의 그래프 컨볼루션 계층을 여러 개 사용하는데, 이 과정에서 지나친 스무딩 컨볼루션 연산이 그래프 노드의 원하는 구별 정보를 약화시킬 수 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 그래프 매칭 문제를 위한 새로운 그래프 학습-매칭 네트워크(GLMNet)를 제안한다. GLMNet은 세 가지 주요 구성 요소를 갖는다. (1) 그래프 학습을 그래프 매칭에 통합함으로써, 매칭 작업에 가장 적합한 최적의 그래프 쌍을 적응적으로 학습할 수 있다. (2) 그래프 매칭을 위한 더 구별력 있는 노드 임베딩을 생성하기 위해 라플라시안 샤프닝 컨볼루션 모듈을 도입한다. (3) 매칭 최적화 과정에서 원하는 일대일 매칭 제약 조건을 효과적으로 반영할 수 있도록 새로운 제약 조건 정규화 손실 함수를 설계하였다. 두 가지 벤치마크에서의 실험 결과는 GLMNet의 효과성과 주요 모듈들의 우수성을 입증한다.